7 βήματα στη μάθηση μηχανών: Πώς να προετοιμαστείτε για ένα αυτοματοποιημένο μέλλον

Εικόνα: Sdecoret / Shutterstock

Η ολοένα αυξανόμενη ψηφιακή οικονομία απαιτεί από τα διοικητικά συμβούλια και τα στελέχη να έχουν μια σωστή αντίληψη για το ταχέως μεταβαλλόμενο ψηφιακό τοπίο Φυσικά, η τεχνητή νοημοσύνη (AI) αποτελεί σημαντικό παράγοντα. Οι οργανώσεις που επιθυμούν να προετοιμαστούν για ένα αυτοματοποιημένο μέλλον πρέπει να έχουν πλήρη γνώση του AI. Ωστόσο, το AI είναι ένας όρος ομπρέλα που καλύπτει πολλαπλούς κλάδους, καθένας από τους οποίους επηρεάζει την επιχείρηση με ελαφρώς διαφορετικό τρόπο.

Όταν εξετάζουμε την τεχνητή νοημοσύνη, μπορεί να χωριστεί σε τρεις διαφορετικούς τομείς:

  1. Ρομποτική, η οποία ασχολείται με τον φυσικό κόσμο και μπορεί να αλληλεπιδρά άμεσα με τον άνθρωπο. Η ρομποτική μπορεί να χρησιμοποιηθεί για να βελτιώσει την εργασία μας με διάφορους τρόπους. Συμπεριλαμβανομένου του εξωσκελετού της Ford ή της Boston Dynamics που βοηθά τα ρομπότ.
  2. Γνωστικά συστήματα, τα οποία ασχολούνται με τον ανθρώπινο κόσμο. Ένα καλό παράδειγμα ενός γνωστικού συστήματος ως μέρος του AI είναι chatbots. Τα chatbots είναι ένα πολύ απτό παράδειγμα όπου οι άνθρωποι και οι μηχανές συνεργάζονται για να επιτύχουν ένα στόχο. Μια chatbot είναι μια διεπαφή επικοινωνίας που βοηθά τα άτομα και τους οργανισμούς να έχουν συνομιλίες.
  3. Μηχανική μάθηση, η οποία ασχολείται με τον κόσμο της πληροφορίας. Οι μηχανές χρησιμοποιούν τα δεδομένα για να μάθουν και η μηχανική μάθηση στοχεύει να αποδώσει νόημα από αυτά τα δεδομένα. Η μηχανική μάθηση χρησιμοποιεί στατιστικές μεθόδους που επιτρέπουν τη βελτίωση των μηχανών με μηχανές. Ένα υποσύνολο μηχανικής μάθησης είναι η βαθιά εκμάθηση, η οποία επιτρέπει πολλαπλά στρώματα νευρωνικών δικτύων.

Η τεχνητή νοημοσύνη αποτελείται από την ομαλή ενσωμάτωση της ρομποτικής, των γνωστικών συστημάτων και της μηχανικής μάθησης.

Εικόνα 1: Τεχνητή Νοημοσύνη - προσαρμοσμένη από τον Goel & Davies, 2019

7 βήματα στη μάθηση μηχανών

Ας δούμε λίγο βαθύτερα σε έναν από αυτούς τους τομείς: μηχανική μάθηση. Ο στόχος της μηχανικής μάθησης είναι να αποκτήσει νόημα από τα δεδομένα. Ως εκ τούτου, τα δεδομένα είναι το κλειδί για να ξεκλειδώσετε την εκμάθηση μηχανών. Υπάρχουν επτά βήματα στη μηχανική μάθηση και κάθε βήμα περιστρέφεται γύρω από τα δεδομένα:

Εικόνα 2: 7 βήματα στη μάθηση μηχανών

1. Συλλογή δεδομένων

Η μηχανική μάθηση απαιτεί δεδομένα κατάρτισης, πολλά από αυτά (είτε επισημαίνονται, δηλαδή εποπτευόμενα μαθήματα είτε μη επισημασμένα, που σημαίνει μάθηση χωρίς επίβλεψη). Η συλλογή δεδομένων ή η επεξεργασία δεδομένων είναι επίσης το πρώτο βήμα στο νέο μου μοντέλο D2 + A2.

2. Προετοιμασία δεδομένων

Μόνο τα ακατέργαστα δεδομένα δεν είναι πολύ χρήσιμα. Τα δεδομένα πρέπει να προετοιμαστούν, να εξομαλυνθούν, να αποσυμπιεστούν και πρέπει να αφαιρεθούν τα σφάλματα και η προκατάληψη. Η απεικόνιση των δεδομένων μπορεί να χρησιμοποιηθεί για την αναζήτηση μοτίβων και παραμέτρων για να διαπιστωθεί εάν έχουν συλλεχθεί τα σωστά δεδομένα ή αν λείπουν τα δεδομένα.

3. Επιλογή ενός μοντέλου

Το τρίτο βήμα συνίσταται στην επιλογή του σωστού μοντέλου. Υπάρχουν πολλά μοντέλα που μπορούν να χρησιμοποιηθούν για πολλούς διαφορετικούς σκοπούς. Κατά την επιλογή του μοντέλου, πρέπει να βεβαιωθείτε ότι το μοντέλο πληροί τον επιχειρησιακό στόχο. Επιπλέον, πρέπει να γνωρίζετε πόση προετοιμασία απαιτεί το μοντέλο, πόσο ακριβής είναι και πόσο κλιμακωτή είναι το μοντέλο. Ένα πιο πολύπλοκο μοντέλο δεν αποτελεί πάντα ένα καλύτερο μοντέλο. Οι συνήθως χρησιμοποιούμενοι αλγόριθμοι μάθησης μηχανών περιλαμβάνουν γραμμική παλινδρόμηση, λογική παλινδρόμηση, δέντρα αποφάσεων, μέσα Κ, ανάλυση κύριων συστατικών (PCA), μηχανήματα διάνυσμα υποστήριξης (SVM), Naïve Bayes, τυχαία δάση και νευρωνικά δίκτυα.

4. Εκπαίδευση

Εκπαίδευση μοντέλο σας είναι το μεγαλύτερο μέρος της εκμάθησης μηχανών. Ο στόχος είναι να χρησιμοποιήσετε τα δεδομένα εκπαίδευσης και να βελτιώσετε σταδιακά τις προβλέψεις του μοντέλου. Κάθε κύκλος ενημέρωσης των βαρών και των προκαταλήψεων είναι ένα βήμα κατάρτισης. Στην εποπτευόμενη εκμάθηση μηχανών, το μοντέλο κατασκευάζεται με τη χρήση ετικετών δεδομένων δείγματος, ενώ η ανεξέλεγκτη μηχανική μάθηση προσπαθεί να αντλεί συμπεράσματα από μη επισημασμένα δεδομένα (χωρίς αναφορά σε γνωστά ή επισημασμένα αποτελέσματα).

5. Αξιολόγηση

Μετά την εκπαίδευση το μοντέλο έρχεται να αξιολογήσει το μοντέλο. Αυτό συνεπάγεται τη δοκιμή της εκμάθησης μηχανής ενάντια σε ένα αχρησιμοποίητο σύνολο δεδομένων ελέγχου για να δούμε πώς εκτελείται. Αυτό μπορεί να είναι αντιπροσωπευτικό του τρόπου με τον οποίο λειτουργεί το μοντέλο στον πραγματικό κόσμο, αλλά αυτό δεν πρέπει να συμβαίνει. Όσο μεγαλύτερος είναι ο αριθμός των μεταβλητών στον πραγματικό κόσμο, τόσο μεγαλύτερος θα είναι τα δεδομένα κατάρτισης και δοκιμών.

6. Ρύθμιση παραμέτρων

Μετά την αξιολόγηση του μοντέλου σας, θα πρέπει να ελέγξετε τις παραμέτρους που είχαν οριστεί αρχικά για να βελτιώσετε το AI. Η αύξηση του αριθμού των κύκλων εκπαίδευσης μπορεί να οδηγήσει σε ακριβέστερα αποτελέσματα. Ωστόσο, θα πρέπει να ορίσετε πότε ένα μοντέλο είναι αρκετά καλό, διαφορετικά, θα συνεχίσετε να τροποποιείτε το μοντέλο. Αυτή είναι μια πειραματική διαδικασία.

7. Πρόβλεψη

Μόλις ολοκληρώσετε τη διαδικασία συλλογής δεδομένων, την προετοιμασία των δεδομένων, την επιλογή του μοντέλου, την εκπαίδευση και την αξιολόγηση του μοντέλου και τον συντονισμό των παραμέτρων, είναι καιρός να απαντήσετε σε ερωτήσεις χρησιμοποιώντας προβλέψεις. Αυτά μπορεί να είναι όλα τα είδη των προβλέψεων, που κυμαίνονται από την αναγνώριση εικόνας σε σημασιολογία σε προγνωστικές αναλύσεις.

Τελικές σκέψεις

Η εκμάθηση μηχανών επιτρέπει στο λογισμικό να είναι ακριβές στην πρόβλεψη των αποτελεσμάτων. Θα αυξήσει πολλές, αν όχι όλες, τις επιχειρηματικές διαδικασίες τα επόμενα χρόνια. Ως εκ τούτου, η μηχανική μάθηση θα αποτελέσει αναπόσπαστο μέρος της αυτόματης οργάνωσης του αύριο. Χάρη στο όλο και πιο γρήγορο υλικό, θα δούμε πιο δυναμικά μοντέλα που προσφέρουν καλύτερες προβλέψεις.

Δυστυχώς, η πρόκληση των μεροληπτικών μοντέλων χάρη στα προκατειλημμένα δεδομένα και τους προκατειλημμένους επιστήμονες δεδομένων δεν είναι ποτέ μακριά. Επομένως, για να μπορέσουν οι οργανώσεις να επωφεληθούν πραγματικά από το AI, θα πρέπει να εξασφαλίσουν ότι τα μοντέλα και τα δεδομένα τους είναι χωρίς προκατάληψη, καλά εκπαιδευμένα και αξιολογημένα και κατάλληλα συντονισμένα. Μόνο τότε, οι οργανώσεις θα επωφεληθούν πραγματικά από τη μηχανική μάθηση.

Εάν κατάφερα να διατηρήσω την προσοχή σας σε αυτό το σημείο, αφήστε ένα σχόλιο που περιγράφει πώς αυτή η ιστορία έκανε τη διαφορά σας ή εγγραφείτε στο εβδομαδιαίο ενημερωτικό δελτίο μου για να λάβετε περισσότερα από αυτό το περιεχόμενο:

Ο Δρ Mark Van Rijmenam είναι ο ιδρυτής της Datafloq, είναι παγκοσμίως αναγνωρισμένος ομιλητής σε μεγάλα δεδομένα, blockchain και AI, στρατηγός και συγγραφέας 3 βιβλίων διαχείρισης: Think Bigger, Blockchain και Οργάνωση του Αύριο. Μπορείτε να διαβάσετε μια δωρεάν προεπισκόπηση του τελευταίου μου βιβλίου εδώ. Συνδεθείτε μαζί μου στο LinkedIn ή πείτε hi στο Twitter αναφέροντας αυτή την ιστορία.

Εάν θέλετε να μου μιλήσετε για οποιαδήποτε συμβουλευτική εργασία ή συνομιλίες τότε μπορείτε να επικοινωνήσετε μαζί μου στη διεύθυνση https://vanrijmenam.nl